论文部分内容阅读
旋转机械是通过旋转来完成其主要功能的机械,是一种重要的改变转速和传递转矩的通用零部件。近年来,随着现代工业的发展,旋转机械被广泛应用于航空机械、运输机械、农机、冶金机械、矿山机械、工程机械、切削机床等各个方面。因此,旋转机械的工作状态的对于机械成套设备甚至流水线有着重大的影响,大力研究和发展更加有效的故障诊断技术已成为迫切的需求。这项技术在维护设备和生产人员的安全、提高生产效率、降低设备损耗等方面有很大的应用价值。本文在中国博士后科学基金(编号:2016M601800)的资助下,以常见的旋转机械部件为对象,从故障特征提取、故障模式诊断识别、信号降噪方面对旋转机械的故障诊断技术进行研究,以探寻更为优良的故障诊断方法。本文的主要研究内容包括:(1)针对旋转机械信号过繁杂而导致对其难以找寻有效特征的问题,把小波包方法用来提取信号的能量特征值,为用神经网络法做出故障诊断奠定了基础。针对故障诊断的常用方法-BP神经网络容易陷入局部最优值而导致诊断精确度不足的情况,提出了简便有效的粒子群算法对其进行优化。通过采集到的齿轮箱振动信号数据,将粒子群优化的BP神经网络与未经优化的BP神经网络的诊断精度进行对比,证明了这种优化方法对于旋转机械的故障诊断有帮助。(2)针对目前一般的去噪方法(包括小波包)的去噪效果不够好的情况,尝试以CEEMDAN(带有自适应白噪声的完全集合经验模态分解)方法为基础,对信号用分解重构的方式进行去噪。并通过与EEMD(集合经验模态分解)重构去噪、小波包去噪进行对比,验证了这种方法在旋转机械振动信号去噪方面有独特的优点。(3)针对常用的旋转机械故障特征提取方法-经验模态分解法及其改良法EEMD的诸多缺点,将原本应用于生物医学领域的CEEMDAN方法尝试应用到旋转机械的故障特征频率的提取上,发现这种经验模态分解的新型改良方法相较于EEMD,对特征提取的效果更好,能让人从分解结果的图谱更方便地提取故障频率。(4)设置了四种诊断组合来将CEEMDAN与粒子群算法相结合,并在实例中进行比较,进一步验证CEEMDAN在去噪方面的优点以及粒子群在优化诊断效果方面的优势。